基于深度学习的术语识别研究综述

作     者：阮光册 钟静涵 张祎笛 Ruan Guangce;Zhong Jinghan;Zhang Yidi

作者机构：华东师范大学信息管理系上海200062 

出 版 物：《数据分析与知识发现》 (Data Analysis and Knowledge Discovery)

年 卷 期：2024年第8卷第4期

页      面：64-75页

核心收录：

学科分类：12[管理学] 1205[管理学-图书情报与档案管理] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 120502[管理学-情报学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：术语识别 深度学习 文本挖掘 

摘      要：【目的】梳理深度学习模型在术语识别中的研究现状与面临挑战。【文献范围】在中国知网和Web of Science中,分别以主题=“术语识别+“术语抽取、主题=“(extract terms OR term recognition OR technology detection OR relation classification)AND deep learning AND ner作为检索式进行检索,共筛选73篇文献进行述评。【方法】对基于深度学习的术语识别一般框架、模型的选择及各模型的优缺点、未来发展趋势进行综述。【结果】基于深度学习的术语识别方法可划分为使用单一神经网络模型、复合神经网络模型和结合深度学习模型的术语识别三大类。从方法使用来看,以BiLSTM-CRF为核心及延伸的模型是术语识别的主流方法;BERT及BERT的优化模型是近年来的研究热点;在特定领域倾向于使用多任务模型代替神经网络模型;迁移学习以及主动学习的应用成为新的研究方向。【局限】仅对已有研究的不同模型及训练结果进行结构化分析,缺少对不同模型在同一数据集上的训练效果对比,待未来进一步研究。【结论】基于深度学习的术语识别未来可在术语标注模式、融合术语的多维特征、小数据集或零数据集的术语识别技术、跨领域模型泛化、结果可解释性和完善评价方法等方面深入研究。